一种基于脉冲耦合神经网络的钢轨表面伤损检测方法技术

本发明专利技术涉及轨道交通及钢轨探伤领域，具体涉及一种基于脉冲耦合神经网络的钢轨表面伤损检测方法，本发明专利技术通过以下步骤实现对钢轨表面缺陷的识别检测：S1，图像预处理；S2，基于脉冲耦合神经网络对缺陷初步检测；S3，特征精确计算；S4，缺陷分类。本发明专利技术的优点是为智能检测、识别钢轨表面缺陷的实现提供了可行、高效、灵活的算法支持，提高钢轨表面是伤损判定的精准度和效率，降低人工检测钢轨的成本，有效预防断轨事故的发生。

【技术实现步骤摘要】
一种基于脉冲耦合神经网络的钢轨表面伤损检测方法
本专利技术涉及交通运输、工业监控、数字图像处理和模式识别领域，具体涉及一种基于脉冲耦合神经网络的钢轨表面伤损检测方法。
技术介绍
中国幅员辽阔、内陆深广、人口众多，资源分布且工业布局不平衡，而兼具安全经济、全天候运输、运能大等特点的铁路运输在各种运输方式中的比较优势突出，是国家重要的交通基础设施，在经济社会发展中具有特殊重要的地位和作用，加快铁路发展已经成为国内社会各方面的共识。但是，随着铁路网的扩大和铁路养护维修需求的增加，现实对钢轨检测提出更高的要求。由于铁路行车密度高和载重量大的特点，加速了钢轨表面缺陷的形成，如裂纹、疤痕、剥落等，如果未能及时发现、处理，钢轨表面缺陷可能进一步发展成为内部缺陷。车轮在有缺陷的钢轨上高速运行时连带的冲击作用会引起车轨系统耦合振动，不仅降低了乘坐的舒适度，而且损坏机车部件，极易导致钢轨断裂和火车脱轨，埋下铁路安全隐患。目前，由于技术设备智能化较低和置换成本高，国内铁路养护依然以人工巡检为主，不仅效率低下、人力成本大，而且依靠人力对伤损检测的误报率和漏检率高。其次，钢轨表面受光照、列车机械震动等不良工况条件的影响，使得基于机器视觉的钢轨表面缺陷检测出的图像依然会夹杂噪声，对识别工作造成干扰。再者，非接触式的检测装置如高清摄像头，其固定在探伤设备上的位置可能出现偏差，或者探伤设备在移动时的振动也可能使得摄像装置获得的图像角度存在偏差，最终都不利于钢轨表面缺陷检测的精确度。专利CN101893580B提出了一种基于数字图像的钢轨表面缺陷检测方法，该方法从检测到的表面伤损图像中提取钢轨区域，通过模拟人类视觉机制通过灰度补偿法将灰度图转换为对比度图，从而对可疑的缺陷区域进行定位及判定。但是单独从灰度值比较的角度很难准确捕捉钢轨表面缺陷的变化，对于伤损类型的覆盖也很难做到全面，缺乏数字转化表达，缺乏灵活性，不能满足不同缺陷处理的需求。该方法只对可疑缺陷矩形区域的几何特征进行抽取，并且根据该特征判断是否是钢轨缺陷，得出的检测结果过于局限和片面，对缺陷区域的判定条件过于单一，智能化程度较低，依然存在人工干预的弊端。鉴于此，亟需克服传统非智能化的钢轨表面缺陷检测方法，设计一种检测速度快、自适应能力强、识别准确率高的钢轨表面缺陷视觉检测方法，为智能检测、识别钢轨表面缺陷的实现提供可行、高效、灵活的算法支持，从而完善钢轨表面缺陷检测技术以满足现代化钢轨检测系统的需求，为及时发现钢轨表面缺陷并向铁路部门提供维护数据提供技术保障。与传统的人工神经网络相比，本专利技术采用的脉冲耦合神经网络(PCNN)具有更强大的生命力和广阔的应用空间。PCNN是一种单层的迭代运行式神经网络，具备哺乳动物视觉神经的特性。它是由大量动态神经元相互联系所构成的反馈网络，兼具了脉冲同步发放特性、非线性调制耦合性、变阈值特性和同步脉冲发放特性等。在实际应用时，PCNN并不是必须对网络进行训练，运算更快速；在进行并行处理过程时，待定参数少，结果可以保证最优，输出结果更趋近实际。基于上述优点算法的智能程度提高，对不同缺陷变化有着不同的识别能力，准确度方面也有极大的提高。
技术实现思路
一种基于脉冲耦合神经网络的钢轨表面伤损检测方法，其特征在于通过对图像数据的分析与处理，检测出钢轨轨道表面缺陷的位置及大小并分类，最后指出轨道缺陷类型，包含了以下步骤：S1，图像预处理；S2，基于脉冲耦合神经网络对缺陷初步检测；S3，特征精确计算；S4，缺陷分类。根据权利要求1所述的一种基于脉冲耦合神经网络的钢轨表面伤损检测方法，其特征在于S1图像预处理。在将图像中轨道部分提取出来的数据过滤过程中，无关的背景总会占据了图像相当一部分，而铁轨表面区域只占铁轨图像的一部分，如果直接对整幅图像做处理则会增加检测算法的时间，因此在进行数据分析前把这部分剔除掉，可以大大提高后续的检测速度。本专利技术采用水平投影法提取铁轨表面图像，其预处理步骤如下：S11,统计铁轨图像的灰度均值Mean，并取Mean-35为全局阈值T，对滤波后的铁轨图像f(x,y)进行二值化。S12,轨面区域的背景像素为白色像素，因此统计铁轨二值图像每行的白色像素总个数P(x)：其中，row、column分别是图像f1(x,y)的行数和列数。根据权利要求1所述的一种基于脉冲耦合神经网络的钢轨表面伤损检测方法，其特征在于S2基于脉冲耦合神经网络对缺陷初步检测。所述的S2基于脉冲耦合神经网络对缺陷初步检测采用脉冲耦合神经网络(PCNN)，检测步骤如下：S21，将预处理后的图像像素与神经元一一对应。其实施步骤如下：S211，将每个神经元分别置于一个n×n的权值矩阵Mijkl与Wijkl的中心；S212，区域内的神经元为该神经元对应像素的邻近像素，通常设置两个神经元之间的连接权值为：S22，建立每个神经元的接收域。接收域由反馈输入域和耦合连接域组成，其实施步骤如下：S221，分别建立反馈输入域和耦合连接域，两者的迭代运算数学表达式如下：其中，Sij表示外部激励，其大小与脉冲产生周期呈负相关；Ykl(n-1)表示第n-1次迭代时邻域神经元的输出；Mijkl与Wijkl分别为反馈输入域与耦合连接域的权值矩阵，反映神经元之间信号传递能力的强弱；VF、αF与VL、aL分别表示反馈输入域与耦合输入域的放大系数和衰减时间常数；Fij与Lij分别表示n次迭代后中心神经元的耦合输出与反馈输出。S23，建立非线性调制域。通过Fij与Lij非线性相乘得到神经元内部活动项，其数学表达式如下：Uij[n]＝Fij[n](1+βLij[n])β表示连接强度，与邻域内同步脉冲输出的神经元个数呈正相关。S24，建立脉冲发生器。由S23，当内部活动项Uij[n]大于动态门限Tij[n]时，神经元产生单位脉冲，此时动态门限立即增大，而后呈指数衰减，该过程循环至迭代结束。其数学表达式如下：值得注意的是，此处迭代次数不同，获取的信息也不同。根据熵值原理，熵越大，信息量越多。S25，最终由接收域、调制域和脉冲发生器组成每个神经元，模拟哺乳动物视觉神经元细胞活动，实现图像去噪、分割和边缘检测，完成对缺陷的初步检测。根据权利要求1所述的一种基于脉冲耦合神经网络的钢轨表面伤损检测方法，其特征在于S3特征精确计算，由于在S2基于脉冲耦合神经网络对缺陷初步检测后的缺陷二值图像中，单个的缺陷区域，尤其是波纹擦伤，容易被检测成分散的或呈喷雾状的多个小区域，因此需作进一步精确定位。实现步骤如下：S31，使用一个半径为7、圆盘状的结构元素对经过基于脉冲耦合神经网络对缺陷初步检测处理后的图像做闭合运算，以便粘合单个分裂的或喷雾状的缺陷区域，然后填充缺陷区域中的孔洞。S32，经过前期处理，铁轨表面二值图像上还残本文档来自技高网...

【技术保护点】
1.一种基于脉冲耦合神经网络的钢轨表面伤损检测方法，其特征在于通过对图像数据的分析与处理，检测出钢轨轨道表面缺陷的位置及大小并分类，最后指出轨道缺陷类型，包含了以下步骤：/nS1，图像预处理；/nS2，基于脉冲耦合神经网络对缺陷初步检测；/nS3，特征精确计算；/nS4，缺陷分类。/n

【技术特征摘要】
1.一种基于脉冲耦合神经网络的钢轨表面伤损检测方法，其特征在于通过对图像数据的分析与处理，检测出钢轨轨道表面缺陷的位置及大小并分类，最后指出轨道缺陷类型，包含了以下步骤：
S1，图像预处理；
S2，基于脉冲耦合神经网络对缺陷初步检测；
S3，特征精确计算；
S4，缺陷分类。


2.根据权利要求1所述的一种基于脉冲耦合神经网络的钢轨表面伤损检测方法，其特征在于S1图像预处理。
在将图像中轨道部分提取出来的数据过滤过程中，无关的背景总会占据了图像相当一部分，而铁轨表面区域只占铁轨图像的一部分，如果直接对整幅图像做处理则会增加检测算法的时间，因此在进行数据分析前把这部分剔除掉，可以大大提高后续的检测速度。本发明采用水平投影法提取铁轨表面图像，其预处理步骤如下：
S11,统计铁轨图像的灰度均值Mean，并取Mean-35为全局阈值T，对滤波后的铁轨图像f(x,y)进行二值化。



S12,轨面区域的背景像素为白色像素，因此统计铁轨二值图像每行的白色像素总个数P(x)：



其中，row、column分别是图像f1(x,y)的行数和列数。


3.根据权利要求1所述的一种基于脉冲耦合神经网络的钢轨表面伤损检测方法，其特征在于S2基于脉冲耦合神经网络对缺陷初步检测。所述的S2基于脉冲耦合神经网络对缺陷初步检测采用脉冲耦合神经网络(PCNN)，检测步骤如下：
S21，将预处理后的图像像素与神经元一一对应。其实施步骤如下：
S211，将每个神经元分别置于一个n×n的权值矩阵Mijkl与Wijkl的中心；
S212，区域内的神经元为该神经元对应像素的邻近像素，通常设置两个神经元之间的连接权值为：



S22，建立每个神经元的接收域。接收域由反馈输入域和耦合连接域组成，其实施步骤如下：
S221，分别建立反馈输入域和耦合连接域，两者的迭代运算数学表达式如下：






其中，
Sij表示外部激励，其大小与脉冲产生周期呈负相关；
Ykl(n-1)表示第n-1次迭代时邻域神经元的输出；
Mijkl与Wijkl分别为反馈输入域与耦合连接域的权值矩阵，反映神经元之间信号传递能力的强弱；
VF、αF与VL、αL分别表示反馈输入域与耦合输入域的放大系数和衰减时间常数；
Fij与Lij分别表示n次迭代后中心神经元的耦合输出与反馈输出。
S23，建立非线性调制域。通过Fij与Lij非线性相乘得到神经元内部活动项，其数学表达式如下：
Uij[n]＝Fij[n](1+βLij[n])
β表示连接强度，与邻域内同步脉冲输出的神经元个数呈正相关。
S24，建立脉冲发生器。由S23，当内部活动项Uij[n]大于动态门限Tij[n]时，神经元产生单位脉冲，此时动态门限立即增大，而后呈指数衰减，该过程循环至迭代结束。其数学表达式如下：






值得注意的是，此处迭代次数不同，获取的信息也不同。根据熵值原理，熵越大，信息量越多。
S25，最终由接收域、调制域和脉冲发生器组成每个神经元，模拟哺乳动物视觉神经元细胞活动，实现...

【专利技术属性】
技术研发人员：梁帆，余旸，
申请(专利权)人：东莞灵虎智能科技有限公司，
类型：发明
国别省市：广东;44